Como verificar se a randomização foi adequada
Ensaios clínicos randomizados (RCT), onde os participantes são alocados aleatoriamente em 2 ou mais grupos e recebem diferentes tratamentos ou intervenções, para avaliar qual é o melhor, são comumente realizados.
Para esses ECRs, agora é recomendado que o teste de hipótese para diferenças nos parâmetros de linha de base não precise ser feito, uma vez que quaisquer diferenças serão devidas apenas ao acaso.
No entanto, pode haver vários motivos pelos quais o processo de randomização pode falhar ou não ter sido adequado. Que medidas devem ser tomadas para verificar se esse não é o caso antes de analisar os dados de qualquer RCT.
Ao mesmo tempo, recomenda-se que os parâmetros de linha de base sejam verificados para ver "se os tamanhos de efeito são grandes e significativos" ( veja aqui ). No entanto, isso geralmente não é feito em relatórios de RCTs. Isso não deveria ser enfatizado como um passo essencial?
Para esclarecer, estamos falando de estudos feitos por outros que temos que revisar. Se não for possível testar a adequação da randomização após a conclusão do estudo, não devemos realizar o teste de hipótese nos principais parâmetros de linha de base para descobrir se há alguma diferença importante entre os grupos?
Obrigado pelo seu insight.
Respostas
A melhor maneira de gerar uma "randomização reproduzível" é usar um algoritmo de randomização com script em uma linguagem de programação estatística e certificar-se de "definir a semente" para a randomização. Por exemplo, suponha que você queira uma randomização reproduzível Ronde você seleciona$t=40$ objetos de tratamento aleatório de um grupo maior de $n=100$objetos. Isso pode ser implementado com um código como este.
#Generate randomisation
#Seed was determined from a call to runif(1)*.Machine$integer.max
set.seed(1825154847)
t <- 40
n <- 100
RAND <- sort(sample.int(n, size = t, replace = FALSE))
#Show the values of the treatment group
RAND
[1] 6 9 16 18 20 22 23 28 30 31 32 35 39 40 42 43 44 45 47 50
53 64 67 68 71 72 73 75 79 82 83 84 85 86 90 93 94 96 99 100
Quanto a como você sabe que se trata de uma "randomização adequada", isso depende de duas coisas: (1) sua confiança no gerador de números pseudo-aleatórios subjacente no software que você está usando; e (2) sua confiança de que a semente foi determinada independentemente dos dados. Com relação à primeira questão, os métodos de amostragem em linguagens estatísticas como Rsão construídos em geradores de números pseudo-aleatórios que têm que passar em conjuntos de "testes de randomização". Esses testes medem os resultados do PRNG em relação a vários testes estatísticos para garantir que não haja nenhuma evidência significativa de padrões não aleatórios. Isso geralmente é suficiente para dar ao usuário a confiança de que não há padrões sistemáticos no PRNG que irão influenciar o RCT. Com relação à segunda questão, é em grande parte uma questão de confiar na pessoa que escreveu o teste, embora se isso for um problema, então é possível impor outros protocolos para a escolha da semente (por exemplo, usando um gerador de números aleatórios verdadeiro com testemunhas).
Em relação ao seu segundo ponto, não tenho certeza do que você quer dizer, mas certamente concordo com a visão de que os testes post hoc de randomisatoin são desencorajados e não devem ser usados. Ao se envolver em testes de hipótese estatística para "efeitos" de um tratamento, as advertências usuais sobre os resultados devem ser tidas em mente --- particularmente a diferença entre "significância estatística" (ou seja, evidência significativa de um tamanho de efeito diferente de zero), versus "significado prático" (isto é, magnitude substancial do tamanho do efeito). A randomização no RCT é um protocolo para remover caminhos causais de variáveis de confusão para os tratamentos, para ajudar a fazer inferências causais a partir das inferências estatísticas. Isso não altera o cuidado normal exigido para a interpretação dos aspectos estatísticos das inferências.
Finalmente, é importante ter em mente que se alguém deseja randomizar os tratamentos, mas ainda "equilibrar" algumas covariáveis, isso pode ser feito usando a randomização em bloco . Este é o método de randomização apropriado para usar se você deseja balancear alguma covariável enquanto ainda possui propriedades de randomização desejáveis --- é muito superior a fazer uma amostra aleatória simples e então realizar verificações post hoc para equilíbrio. Por exemplo, se você tem um grupo geral que é igualmente composto por homens e mulheres e deseja que um grupo de tratamento e controle também tenha números iguais de homens e mulheres, você pode fazer isso formando "blocos" de pares homem-mulher e então alocar aleatoriamente para os grupos desses blocos. (Uma descrição completa do processo está além do escopo desta resposta, mas pesquise se estiver interessado.)
Se você estiver executando o experimento
Se você está preocupado com a possibilidade de a randomização ser implementada incorretamente, geralmente é mais eficaz tomar cuidado no front end para garantir que a randomização seja feita da maneira correta do que tentar detectá-la no back end. Há várias razões para isso. Primeiro, detectar que a randomização falhou é difícil, sujeito a erros e ambíguo. Em segundo lugar, mesmo que você obtivesse evidências de que a randomização falhou, o que você faria? Não está claro e qualquer coisa que você fizesse nesse ponto seria em terreno instável.
Provavelmente, é melhor investir sua energia na revisão da estratégia de randomização, certificando-se de que seja apropriada e implementada corretamente.
Se você estiver analisando um experimento executado por outros
Se você deve ou não testar uma falha de randomização é uma questão de opinião. Pode depender de sua avaliação da probabilidade de falha na randomização.
Minha impressão é que o teste post-hoc para uma falha de randomização pode não fazer muito sentido, na ausência de algum motivo específico para suspeitar de uma falha de randomização. Se você não acredita que os experimentadores fizeram a randomização corretamente, por que confia que eles fizeram qualquer outra coisa corretamente?
Se você fazer detectar uma falha de randomização, não há uma grande resposta. Se você sabe que a randomização não foi feita corretamente, não tem um ensaio clínico randomizado. Você pode tentar controlar as variáveis que mostram uma diferença entre os dois grupos, mas nesse ponto você está basicamente transformando isso em um estudo observacional, e quem pode dizer que você controlou todos os possíveis fatores de confusão? Se uma falha na randomização causou algumas diferenças sistemáticas entre os grupos de tratamento e controle que você conhece, pode muito bem haver outras diferenças sistemáticas das quais você não está ciente. Portanto, é uma situação complicada.
Outra possibilidade é que talvez você ache que a randomização foi feita corretamente, mas não teve sorte com a divisão em grupo de tratamento e controle e uma divisão improvável causou um desequilíbrio entre os dois grupos: por exemplo, talvez o tratamento tenha muito mais pessoas mais velhas do que o controle grupo, apenas por azar. Isso pode acontecer. Se o tamanho da amostra for grande, as chances de que haja um grande desequilíbrio são muito pequenas, então podemos questionar se vale a pena nos preocupar com isso. Este é talvez o único caso em que você pode considerar o controle desse fator (idade). No entanto, também sabemos que a probabilidade de isso acontecer por puro acaso é muito baixa, então é questionável se vale a pena se preocupar com esses eventos de probabilidade muito baixa. Há muitos outros eventos de probabilidade muito baixa com os quais você provavelmente não se preocupa, então não está claro por que escolhemos este.